提要文摘: | 本书共9章。第1章对深度神经网络的科学原理和实现这种网络的不同框架以及框架背后的数学机制提供一个快速回顾。第2章向读者介绍卷积神经网络, 并展示如何利用深度学习从图像中提取信息。第3章从零开始针对图像分类问题构建一个简单的CNN, 并阐明如何调整参数、优化训练时间以及CNN的性能, 以分别提高效率和准确率。第4章介绍几种经典的 (在竞赛中胜出的) CNN架构的优势和运作机制, 以及它们之间的差异和如何使用这些架构。第5章讲授如何使用预先训练好的网络, 并使其适用于新的且不同的数据集。在实际应用中也有一种自定义分类问题, 它使用的技术称为转移学习。第6章介绍一种称为自编码器的无监督学习技术, 同时介绍了CNN自编码器的不同应用, 比如图像压缩。第7章讲授目标检测、实例分割和图像分类的区别。然后介绍多种使用CNN进行目标检测和实例分割的技术。第8章探究生成式CNN网络, 然后将其与我们学习得到的有识别力的CNN网络相结合, 用CNN/GAN创造新的图像。第9章讲授深度学习中注意力背后的思想, 并学习如何使用基于注意力的模型来实现一些高级解决方案 (图像捕捉和RAM)。我们还将了解不同类型的注意力以及强化学习在硬注意力机制中的作用。 |